MiniMax-Text-01 è il modello di MiniMax dedicato al testo per conversazioni, compiti linguistici e codice. La sua progettazione a contesto lungo è particolarmente pertinente quando una domanda dipende da informazioni distribuite in una grande raccolta di materiale: una specifica insieme alla corrispondenza, più versioni di un documento o un insieme consistente di testi di riferimento. Il risultato è testuale e comprende spiegazioni, contenuti scritti, codice e informazioni sulle chiamate a funzione.
L’architettura combina Lightning Attention, attenzione Softmax convenzionale e una miscela di esperti. MiniMax dichiara 456 miliardi di parametri totali, con 45,9 miliardi attivati per ogni token. Il modello ha 80 livelli e 32 esperti, con instradamento ai due esperti migliori; un livello di attenzione Softmax segue ogni gruppo di sette livelli Lightning Attention. Sono proprietà della versione Text-01, non un’affermazione che ogni modello con il nome MiniMax utilizzi la stessa architettura.
MiniMax dichiara un addestramento con un contesto di un milione di token e un’estensione in inferenza fino a quattro milioni di token. Questa distinzione conta nella preparazione di un compito su documenti lunghi: la lunghezza di addestramento e quella estesa in inferenza descrivono fasi diverse. Il produttore esamina comprensione del linguaggio, rispetto delle istruzioni, ragionamento, matematica, programmazione e uso di lunghe fonti di riferimento. Stabilisci il budget disponibile per le richieste nella configurazione di esecuzione selezionata, mantenendo espliciti la domanda, i documenti di supporto e il formato di risposta richiesto.
La guida rapida pubblicata usa una conversazione basata su ruoli con un’istruzione di sistema e un messaggio utente, formattati tramite il template di chat del modello. Una richiesta utile di analisi documentale potrebbe fornire estratti chiaramente etichettati e chiedere: “Confronta i criteri di accettazione in questi documenti. Per ogni divergenza, restituisci l’etichetta del documento, il passaggio pertinente, la conseguenza e la domanda da risolvere.” Per la scrittura, fornisci i fatti sorgente e il lettore previsto; per il codice, includi la funzione pertinente, il comportamento atteso ed esempi che distinguano un risultato corretto. Sono esempi di utilizzo delle capacità testuali, non garanzie di uscita predeterminate.
Le chiamate a funzione sono una funzionalità documentata di Text-01. L’applicazione descrive le funzioni disponibili, lo scopo e i parametri; la definizione dei parametri è espressa con JSON Schema e può includere oggetti e array annidati. Il modello può identificare che una richiesta richiede una funzione esterna e proporne il nome con argomenti strutturati. La guida del produttore illustra una funzione di consultazione del meteo, poi mostra come analizzare la chiamata proposta, eseguirla fuori dal modello e restituire un risultato strutturato alla conversazione.
Questo offre una separazione pratica delle responsabilità. Il modello sceglie un’operazione proposta dalle descrizioni fornite; l’applicazione decide come validarla ed eseguirla. Per esempio, un assistente documentale potrebbe ricevere una funzione di consultazione e la richiesta di recuperare il campo prodotto mancante prima di comporre una spiegazione. Scrivi descrizioni precise dei parametri, identifica i valori obbligatori e rendi i dati restituiti facili da interpretare per il modello. Fornire una funzione non ne impone la chiamata: MiniMax precisa esplicitamente che il modello può ritenere più adatta una risposta ordinaria.
Text-01 e MiniMax-VL-01 sono versioni separate. La seconda aggiunge componenti visivi; questa descrizione di Text-01 riguarda l’elaborazione del testo e gli strumenti documentati. Un contesto lungo richiede anche un’attenta preparazione delle fonti: segna i confini dei documenti, distingui le citazioni dalle istruzioni e richiedi un modo per associare le conclusioni ai passaggi forniti. La scheda del modello non stabilisce un massimo universale separato per l’uscita generata, quindi il contesto di quattro milioni di token non deve essere interpretato come una disponibilità di uscita. Scegli una lunghezza di risposta adeguata al compito e valida affermazioni fattuali, campi estratti e codice generato rispetto al materiale o alle verifiche forniti.
", "aboutText": "MiniMax-Text-01 è il modello di MiniMax dedicato al testo per conversazioni, compiti linguistici e codice. La sua progettazione a contesto lungo è particolarmente pertinente quando una domanda dipende da informazioni distribuite in una grande raccolta di materiale: una specifica insieme alla corrispondenza, più versioni di un documento o un insieme consistente di testi di riferimento. Il risultato è testuale e comprende spiegazioni, contenuti scritti, codice e informazioni sulle chiamate a funzione.\n\nL’architettura combina Lightning Attention, attenzione Softmax convenzionale e una miscela di esperti. MiniMax dichiara 456 miliardi di parametri totali, con 45,9 miliardi attivati per ogni token. Il modello ha 80 livelli e 32 esperti, con instradamento ai due esperti migliori; un livello di attenzione Softmax segue ogni gruppo di sette livelli Lightning Attention. Sono proprietà della versione Text-01, non un’affermazione che ogni modello con il nome MiniMax utilizzi la stessa architettura.\n\nMiniMax dichiara un addestramento con un contesto di un milione di token e un’estensione in inferenza fino a quattro milioni di token. Questa distinzione conta nella preparazione di un compito su documenti lunghi: la lunghezza di addestramento e quella estesa in inferenza descrivono fasi diverse. Il produttore esamina comprensione del linguaggio, rispetto delle istruzioni, ragionamento, matematica, programmazione e uso di lunghe fonti di riferimento. Stabilisci il budget disponibile per le richieste nella configurazione di esecuzione selezionata, mantenendo espliciti la domanda, i documenti di supporto e il formato di risposta richiesto.\n\nLa guida rapida pubblicata usa una conversazione basata su ruoli con un’istruzione di sistema e un messaggio utente, formattati tramite il template di chat del modello. Una richiesta utile di analisi documentale potrebbe fornire estratti chiaramente etichettati e chiedere: “Confronta i criteri di accettazione in questi documenti. Per ogni divergenza, restituisci l’etichetta del documento, il passaggio pertinente, la conseguenza e la domanda da risolvere.” Per la scrittura, fornisci i fatti sorgente e il lettore previsto; per il codice, includi la funzione pertinente, il comportamento atteso ed esempi che distinguano un risultato corretto. Sono esempi di utilizzo delle capacità testuali, non garanzie di uscita predeterminate.\n\nLe chiamate a funzione sono una funzionalità documentata di Text-01. L’applicazione descrive le funzioni disponibili, lo scopo e i parametri; la definizione dei parametri è espressa con JSON Schema e può includere oggetti e array annidati. Il modello può identificare che una richiesta richiede una funzione esterna e proporne il nome con argomenti strutturati. La guida del produttore illustra una funzione di consultazione del meteo, poi mostra come analizzare la chiamata proposta, eseguirla fuori dal modello e restituire un risultato strutturato alla conversazione.\n\nQuesto offre una separazione pratica delle responsabilità. Il modello sceglie un’operazione proposta dalle descrizioni fornite; l’applicazione decide come validarla ed eseguirla. Per esempio, un assistente documentale potrebbe ricevere una funzione di consultazione e la richiesta di recuperare il campo prodotto mancante prima di comporre una spiegazione. Scrivi descrizioni precise dei parametri, identifica i valori obbligatori e rendi i dati restituiti facili da interpretare per il modello. Fornire una funzione non ne impone la chiamata: MiniMax precisa esplicitamente che il modello può ritenere più adatta una risposta ordinaria.\n\nText-01 e MiniMax-VL-01 sono versioni separate. La seconda aggiunge componenti visivi; questa descrizione di Text-01 riguarda l’elaborazione del testo e gli strumenti documentati. Un contesto lungo richiede anche un’attenta preparazione delle fonti: segna i confini dei documenti, distingui le citazioni dalle istruzioni e richiedi un modo per associare le conclusioni ai passaggi forniti. La scheda del modello non stabilisce un massimo universale separato per l’uscita generata, quindi il contesto di quattro milioni di token non deve essere interpretato come una disponibilità di uscita. Scegli una lunghezza di risposta adeguata al compito e valida affermazioni fattuali, campi estratti e codice generato rispetto al materiale o alle verifiche forniti.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.minimax/minimax-01MiniMax-Text-01 è un modello testuale a contesto lungo per analisi documentale, scrittura, programmazione e flussi assistiti da strumenti. Combina attenzione ibrida e mixture of experts e può proporre chiamate di funzione con argomenti strutturati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
MiniMax-Text-01 è il modello di MiniMax dedicato al testo per conversazioni, compiti linguistici e codice. La sua progettazione a contesto lungo è particolarmente pertinente quando una domanda dipende da informazioni distribuite in una grande raccolta di materiale: una specifica insieme alla corrispondenza, più versioni di un documento o un insieme consistente di testi di riferimento. Il risultato è testuale e comprende spiegazioni, contenuti scritti, codice e informazioni sulle chiamate a funzione.
L’architettura combina Lightning Attention, attenzione Softmax convenzionale e una miscela di esperti. MiniMax dichiara 456 miliardi di parametri totali, con 45,9 miliardi attivati per ogni token. Il modello ha 80 livelli e 32 esperti, con instradamento ai due esperti migliori; un livello di attenzione Softmax segue ogni gruppo di sette livelli Lightning Attention. Sono proprietà della versione Text-01, non un’affermazione che ogni modello con il nome MiniMax utilizzi la stessa architettura.
MiniMax dichiara un addestramento con un contesto di un milione di token e un’estensione in inferenza fino a quattro milioni di token. Questa distinzione conta nella preparazione di un compito su documenti lunghi: la lunghezza di addestramento e quella estesa in inferenza descrivono fasi diverse. Il produttore esamina comprensione del linguaggio, rispetto delle istruzioni, ragionamento, matematica, programmazione e uso di lunghe fonti di riferimento. Stabilisci il budget disponibile per le richieste nella configurazione di esecuzione selezionata, mantenendo espliciti la domanda, i documenti di supporto e il formato di risposta richiesto.
La guida rapida pubblicata usa una conversazione basata su ruoli con un’istruzione di sistema e un messaggio utente, formattati tramite il template di chat del modello. Una richiesta utile di analisi documentale potrebbe fornire estratti chiaramente etichettati e chiedere: “Confronta i criteri di accettazione in questi documenti. Per ogni divergenza, restituisci l’etichetta del documento, il passaggio pertinente, la conseguenza e la domanda da risolvere.” Per la scrittura, fornisci i fatti sorgente e il lettore previsto; per il codice, includi la funzione pertinente, il comportamento atteso ed esempi che distinguano un risultato corretto. Sono esempi di utilizzo delle capacità testuali, non garanzie di uscita predeterminate.
Le chiamate a funzione sono una funzionalità documentata di Text-01. L’applicazione descrive le funzioni disponibili, lo scopo e i parametri; la definizione dei parametri è espressa con JSON Schema e può includere oggetti e array annidati. Il modello può identificare che una richiesta richiede una funzione esterna e proporne il nome con argomenti strutturati. La guida del produttore illustra una funzione di consultazione del meteo, poi mostra come analizzare la chiamata proposta, eseguirla fuori dal modello e restituire un risultato strutturato alla conversazione.
Questo offre una separazione pratica delle responsabilità. Il modello sceglie un’operazione proposta dalle descrizioni fornite; l’applicazione decide come validarla ed eseguirla. Per esempio, un assistente documentale potrebbe ricevere una funzione di consultazione e la richiesta di recuperare il campo prodotto mancante prima di comporre una spiegazione. Scrivi descrizioni precise dei parametri, identifica i valori obbligatori e rendi i dati restituiti facili da interpretare per il modello. Fornire una funzione non ne impone la chiamata: MiniMax precisa esplicitamente che il modello può ritenere più adatta una risposta ordinaria.
Text-01 e MiniMax-VL-01 sono versioni separate. La seconda aggiunge componenti visivi; questa descrizione di Text-01 riguarda l’elaborazione del testo e gli strumenti documentati. Un contesto lungo richiede anche un’attenta preparazione delle fonti: segna i confini dei documenti, distingui le citazioni dalle istruzioni e richiedi un modo per associare le conclusioni ai passaggi forniti. La scheda del modello non stabilisce un massimo universale separato per l’uscita generata, quindi il contesto di quattro milioni di token non deve essere interpretato come una disponibilità di uscita. Scegli una lunghezza di risposta adeguata al compito e valida affermazioni fattuali, campi estratti e codice generato rispetto al materiale o alle verifiche forniti.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti minimax/minimax-01 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='minimax/minimax-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='minimax/minimax-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra minimax/minimax-01
Usa i percorsi dei metodi indicati sopra.
minimax/minimax-01MiniMax-Text-01 è un modello testuale a contesto lungo per analisi documentale, scrittura, programmazione e flussi assistiti da strumenti. Combina attenzione ibrida e mixture of experts e può proporre chiamate di funzione con argomenti strutturati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
MiniMax-Text-01 è il modello di MiniMax dedicato al testo per conversazioni, compiti linguistici e codice. La sua progettazione a contesto lungo è particolarmente pertinente quando una domanda dipende da informazioni distribuite in una grande raccolta di materiale: una specifica insieme alla corrispondenza, più versioni di un documento o un insieme consistente di testi di riferimento. Il risultato è testuale e comprende spiegazioni, contenuti scritti, codice e informazioni sulle chiamate a funzione.
L’architettura combina Lightning Attention, attenzione Softmax convenzionale e una miscela di esperti. MiniMax dichiara 456 miliardi di parametri totali, con 45,9 miliardi attivati per ogni token. Il modello ha 80 livelli e 32 esperti, con instradamento ai due esperti migliori; un livello di attenzione Softmax segue ogni gruppo di sette livelli Lightning Attention. Sono proprietà della versione Text-01, non un’affermazione che ogni modello con il nome MiniMax utilizzi la stessa architettura.
MiniMax dichiara un addestramento con un contesto di un milione di token e un’estensione in inferenza fino a quattro milioni di token. Questa distinzione conta nella preparazione di un compito su documenti lunghi: la lunghezza di addestramento e quella estesa in inferenza descrivono fasi diverse. Il produttore esamina comprensione del linguaggio, rispetto delle istruzioni, ragionamento, matematica, programmazione e uso di lunghe fonti di riferimento. Stabilisci il budget disponibile per le richieste nella configurazione di esecuzione selezionata, mantenendo espliciti la domanda, i documenti di supporto e il formato di risposta richiesto.
La guida rapida pubblicata usa una conversazione basata su ruoli con un’istruzione di sistema e un messaggio utente, formattati tramite il template di chat del modello. Una richiesta utile di analisi documentale potrebbe fornire estratti chiaramente etichettati e chiedere: “Confronta i criteri di accettazione in questi documenti. Per ogni divergenza, restituisci l’etichetta del documento, il passaggio pertinente, la conseguenza e la domanda da risolvere.” Per la scrittura, fornisci i fatti sorgente e il lettore previsto; per il codice, includi la funzione pertinente, il comportamento atteso ed esempi che distinguano un risultato corretto. Sono esempi di utilizzo delle capacità testuali, non garanzie di uscita predeterminate.
Le chiamate a funzione sono una funzionalità documentata di Text-01. L’applicazione descrive le funzioni disponibili, lo scopo e i parametri; la definizione dei parametri è espressa con JSON Schema e può includere oggetti e array annidati. Il modello può identificare che una richiesta richiede una funzione esterna e proporne il nome con argomenti strutturati. La guida del produttore illustra una funzione di consultazione del meteo, poi mostra come analizzare la chiamata proposta, eseguirla fuori dal modello e restituire un risultato strutturato alla conversazione.
Questo offre una separazione pratica delle responsabilità. Il modello sceglie un’operazione proposta dalle descrizioni fornite; l’applicazione decide come validarla ed eseguirla. Per esempio, un assistente documentale potrebbe ricevere una funzione di consultazione e la richiesta di recuperare il campo prodotto mancante prima di comporre una spiegazione. Scrivi descrizioni precise dei parametri, identifica i valori obbligatori e rendi i dati restituiti facili da interpretare per il modello. Fornire una funzione non ne impone la chiamata: MiniMax precisa esplicitamente che il modello può ritenere più adatta una risposta ordinaria.
Text-01 e MiniMax-VL-01 sono versioni separate. La seconda aggiunge componenti visivi; questa descrizione di Text-01 riguarda l’elaborazione del testo e gli strumenti documentati. Un contesto lungo richiede anche un’attenta preparazione delle fonti: segna i confini dei documenti, distingui le citazioni dalle istruzioni e richiedi un modo per associare le conclusioni ai passaggi forniti. La scheda del modello non stabilisce un massimo universale separato per l’uscita generata, quindi il contesto di quattro milioni di token non deve essere interpretato come una disponibilità di uscita. Scegli una lunghezza di risposta adeguata al compito e valida affermazioni fattuali, campi estratti e codice generato rispetto al materiale o alle verifiche forniti.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti minimax/minimax-01 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "minimax/minimax-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra minimax/minimax-01
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.